PENINGKATAN AKURASI KLASIFIKASI CITRA SAMPAH MENGGUNAKAN AUGMENTASI DATA ADAPTIF BERBASIS GAYA VISUAL

Fathurrahman Al-Falah; Martanto .; Yudhistira Arie Wijaya; Riri Narasati

Authors

Fathurrahman Al-Falah STMIK IKMI Cirebon, Indonesia
Martanto . STMIK IKMI Cirebon, Indonesia
Yudhistira Arie Wijaya STMIK IKMI Cirebon, Indonesia
Riri Narasati STMIK IKMI Cirebon, Indonesia

Keywords:

augmentasi, gaya visual, Citra, sampah, Convolutional Neural Network

Abstract

Klasifikasi citra sampah masih menghadapi tantangan utama berupa ketidakseimbangan jumlah sampel dan variasi pencahayaan yang menyebabkan domain shift sehingga menurunkan performa model berbasis Convolutional Neural Network (CNN). Penelitian ini bertujuan meningkatkan akurasi dan generalisasi model melalui penerapan augmentasi data adaptif berbasis gaya visual (style-based augmentation) yang dirancang menggunakan analisis eksploratori data (EDA). Metode yang diusulkan mengembangkan kebijakan augmentasi per-kelas menggunakan transformasi fotometrik terkontrol—brightness, contrast, saturation, dan gamma—serta strategi oversampling adaptif untuk menyeimbangkan distribusi data. Eksperimen dilakukan pada dataset “Trash Type Image Dataset” dari Kaggle, yang awalnya tidak seimbang (paper 594, glass 501, plastic 482, metal 410, cardboard 403, trash 137). Setelah augmentasi adaptif, jumlah sampel diseimbangkan menjadi 3.564 citra (594 per kelas). Model CNN ringan dengan transfer learning dilatih menggunakan stratified split 80:20 dan weighted loss. Evaluasi dilakukan menggunakan akurasi, precision, recall, F1-score, serta metrik fidelity citra (SSIM, PSNR, FID) untuk memastikan tidak terjadi semantic drift. Hasil menunjukkan bahwa augmentasi adaptif berbasis gaya visual secara konsisten memperluas distribusi pencahayaan, mengurangi ketidakseimbangan kelas, dan meningkatkan robustnes model. Model menghasilkan akurasi validasi 0,687, dengan peningkatan recall/F1 sebesar 7–10% dibandingkan baseline tanpa augmentasi. Temuan ini menegaskan bahwa augmentasi berbasis gaya visual yang dirancang secara adaptif merupakan pendekatan efektif untuk meningkatkan kinerja klasifikasi citra sampah pada lingkungan dengan variasi pencahayaan dan domain yang beragam.

References

H. Abdu and M. H. Mohd Noor, “A survey on waste detection and classification using deep learning,” IEEE Access, vol. 10, pp. 128151–128165, 2022, doi: 10.1109/ACCESS.2022.3226682.

J. Fan, L. Cui, and S. Fei, “Waste detection system based on data augmentation and YOLO_EC,” Sensors, vol. 23, no. 7, p. 3646, 2023, doi: 10.3390/s23073646.

Z. Yang, Z. Xia, G. Yang, and Y. Lv, “A garbage classification method based on a small convolution neural network,” Sustainability, vol. 14, no. 22, p. 14735, 2022, doi: 10.3390/su142214735.

C. Hu, B. B. Sapkota, J. A. Thomasson, and M. V Bagavathiannan, “Influence of image quality and light consistency on the performance of convolutional neural networks for weed mapping,” Remote Sens. (Basel)., vol. 13, no. 11, p. 2140, 2021, doi: 10.3390/rs13112140.

S. Sivamani, S. I. Chon, D. Y. Choi, D. H. Lee, and J. H. Park, “Importance of adaptive photometric augmentation for different convolutional neural networks,” Computers, Materials & Continua, vol. 72, no. 3, pp. 4433–4452, 2022, doi: 10.32604/cmc.2022.026759.

M. Cabrera, “An evaluation of CNN models and data augmentation techniques in hierarchical localization of mobile robots,” Evolving Systems, 2024, doi: 10.1007/s12530-024-09604-6.

E. Ramos, A. G. Lopes, and F. Mendonça, “Application of machine learning in plastic waste detection and classification: A systematic review,” Processes, vol. 12, no. 8, p. 1632, 2024, doi: 10.3390/pr12081632.

M. I. B. Ahmed et al., “Deep learning approach to recyclable products classification: Towards sustainable waste management,” Sustainability, vol. 15, no. 14, p. 11138, 2023, doi: 10.3390/su151411138.

K. Alomar, H. I. Aysel, and X. Cai, “Data augmentation in classification and segmentation: A survey and new strategies,” J. Imaging, vol. 9, no. 2, p. 46, 2023, doi: 10.3390/jimaging9020046.